算法导论第四、五章学习总结

第四章主要讲递归式(recurrence)，递归式是一组等式或不等式，它所描述的函数是用在更小的输入下该函数的值来定义的。

本章提到三种方法来解递归式，分别是代入法，递归树方法，主方法。

1.代入法(Substitution method)

求解步骤：猜测解的形式；用数学归纳法求出解的常数，并证明解是正确的。
应用：用于确定一个递归式的上界或下界。
缺点：只能用于解的形式很容易猜的情形。
总结：这种方法需要经验的积累，可以通过转换为先前见过的类似递归式来求解。

2.递归树方法(Recursion-tree method)

当代入法很难得到一个正确的好的猜测值时可以使用。
应用：画出一个递归树是一种得到好猜测的直接方法。
分析：在递归树中，每一个结点都代表递归函数调用集合中一个子问题的代价。将递归树中每一层内的代价相加得到一个每层代价的集合，再将每层的代价相加得到递归式所有层次的总代价。
总结：递归树最适合用来产生好的猜测，然后用代入法加以验证。
递归树扩展过程：

3.主方法(Master method)

适用于形如T(n) = aT(n/b) + f(n)的递归式，但并不能解所有形如上式的递归式的解。
具体分析：T(n) = aT(n/b) + f(n)描述了将规模为n的问题划分为a个子问题的算法的运行时间，每个子问题的规模为n/b。
在这里可以看到，分治法就相当于a=2, b=2, f(n) = O(n).
主方法依赖于主定理，主定理如下图：

第五章围绕雇用问题展开，讲解了概率分析与随机算法。

问题提出：有一批参与面试的人，你要一个个面试(面试每个人都要花费c1)，如果当前面试者比自己的助理能力强，则辞掉当前助理的，并把当前面试者提拔为助理(雇佣一个人要花费c2)，直至面试完所有人。

这里考虑的是面试所需资金，假设总共有N人参加面试，有M人被雇佣过，则花费O(Nc1 + Mc2)，因为参与面试的人员顺序是不确定的，所以要花费的资金也是不确定的(Nc1是确定的，而M是不确定的，所以Mc2是不确定的）。

1.概率分析

指在问题的分析中应用概率的技术。利用概率分析解决前面提到的问题：雇佣所需的花费与输入序列有关，有N个面试人员(考虑每个人的能力不一样)，则一共有N!中排列情况(即每种排列出现的概率是1/(N!))，于是假设每种排列花费Ti元，则所有共花费：
T1/(N!) + T2/(N!) + … + TN/(N!)。

2.随机算法

如果一个算法的行为不只是由输入决定，同时也由随机数生成器所产生的数值决定，则这个算法是随机的。对于上面概率分析时的方法，虽然面试人员的排列是不确定的。但是如果当排列确定后，则所需花费也就确定了。而对于随机算法，就算排列确定，其花费也是不确定的。即随机发生在算法上，而不是发生在输入分布上。